斜率的估计值本身并不能告诉您关系的强度。关系的强度取决于误差方差的大小和预测变量的范围。此外，显着的值并不一定告诉您存在很强的关系；值只是测试斜率是否正好为 0。对于足够大的样本量，即使与该假设的小偏差（例如不具有实际重要性的偏差）也会产生显着的p。$p$$p$$p$

在您提出的三个量中，决定系数最能说明关系的强度。在您的情况下，意味着的变化可以解释为与预测变量的线性关系。什么构成“大”取决于学科。例如，在社会科学中，可能是“大”的，但在工厂设置等受控环境中，才能表示存在“强”关系。在大多数情况下是一个非常小的$R^2$$R^{2} = .089$$8.9\%$$R^2$$R^2 = .2$$R^2 > .9$$.089$$R^2$，所以你认为存在弱线性关系的结论可能是合理的。

告诉您模型解释了因变量的 多少变化。但是，可以解释以及因变量的原始值与拟合值之间的相关性。可在此处找到决定系数的准确解释和推导。$R^{2}$$R^{2}$$R^{2}$

可以在此处找到确定系数等于观测值和拟合值之间的平方 Pearson 相关系数的证明。$y_{i}$$\hat{y}_{i}$

或决定系数表示您的模型在解释因变量方面的强度。在您的情况下，。这表明您的模型能够解释 8.9% 的因变量变化。或者，你的和你的拟合值之间的相关系数是 0.089。构成良好的因素取决于学科。$R^{2}$$R^{2}=0.089$$y_{i}$$\hat{y}_{i}$$R^{2}$

最后，到你问题的最后一部分。您无法通过 Durbin-Watson 检验来说明因变量和自变量之间的相关性。Durbin-Watson 检验检验序列相关性。进行它是为了检查您的错误项是否相互关联。

值告诉您拟合模型解释了数据的多少变化。$R^2$

您研究中的低值表明您的数据可能广泛分布在回归线周围，这意味着回归模型只能解释（非常少）数据中 8.9% 的变化。$R^2$

您是否检查过线性模型是否合适？查看残差的分布，因为您可以使用它来评估模型与数据的拟合度。理想情况下，您的残差不应显示与您的值的关系，如果是，您可能需要考虑以合适的方式重新调整变量，或者拟合更合适的模型。$x$

对于线性回归，拟合斜率将是相关性（当平方时，给出确定系数）乘以回归的经验标准差（）除以经验标准差回归量（）。根据和的缩放比例，您可以使拟合斜率等于 1，但值可以任意小。$R^2$$y$$x$$x$$y$$R^2$

简而言之，除非您确定因变量和自变量的尺度必须彼此相等，否则斜率并不是模型“拟合”的良好指标。